【技术实现步骤摘要】
一种融合关键词生成的推荐算法
本专利技术涉及智能推荐
,主要涉及一种融合关键词生成的推荐算法。
技术介绍
推荐系统作为解决“信息过载”问题的有效方法,近年来已经成为学术界和工业界的关注热点,同时各种各样的推荐系统亦随之在电子商务、社交网站、电子旅游和互联网广告等大量领域得到了广泛应用,并展示出优越的效果与前景。个性化推荐系统通过对用户行为数据进行分析、建模,预测用户的购物意向,为用户推荐可能感兴趣的产品。常用的推荐方法主要包含基于内容推荐、协同过滤推荐、基于关联规则推荐以及混合推荐等。然而,现有的推荐方法通常根据用户的点击序列捕获用户的购买意图,由于电商网站中包含大规模的产品,这些方法会造成与用户购买意图相关的其他产品被忽略。也就是说,存在着具有不同ID标识的相似商品,这些商品能够满足用户相同需求。我们认为,用户点击序列中的文本信息(例如,商品标题中包含的关键词)可以看作额外的监督信号,来学习相似商品中包含的共同意图。通过在多任务学习方法将产品推荐与商品关键字生成任务相结合,可以缓解训练过程中的上述问题。
技术实现思路
专利技术目的:为了解决上述
技术介绍
中存在的问题,本专利技术提供了一种融合关键词生成的推荐算法,本专利技术采用的技术方案如下:步骤S1、获取用户的历史点击行为序列和对应产品标题的关键词序列;将用户购买的产品vp作为预测目标产品,获取用户历史点击行为序列V=[(v1,t1),(v2,t2),…,(vn,tn)],其中ti对应于产品vi点击的时间戳;从用户历 ...
【技术保护点】
1.一种融合关键词生成的推荐算法,其特征在于,包括以下步骤:/n步骤S1、获取用户的历史点击行为序列和对应产品标题的关键词序列;/n将用户购买的产品v
【技术特征摘要】
1.一种融合关键词生成的推荐算法,其特征在于,包括以下步骤:
步骤S1、获取用户的历史点击行为序列和对应产品标题的关键词序列;
将用户购买的产品vp作为预测目标产品,获取用户历史点击行为序列V=[(v1,t1),(v2,t2),…,(vn,tn)],其中ti对应于产品vi点击的时间戳;从用户历史点击行为对应的产品标题中,获取关键词序列;按照词频,选取前N个关键词组成的关键词序列W=[w1,w2,…,wN];
步骤S2、将所述用户历史点击行为序列V=[(v1,t1),(v2,t2),…,(vn,tn)]输入到用户偏好模型中,学习用户的特征表示向量sn;
步骤S3、将产品标题关键词序列数据W=[w1,w2,…,wN]输入到seq2seq模型中,得到标题关键词序列的上下文向量ct;
步骤S4、整合并计算步骤S2得到的用户的特征表示向量sn和步骤S3得到的标题关键词序列在步骤t=0时的上下文向量c0,得到用户的最终特征表示向量cu如下:
cu=Wu[sn,c0]
其中Wu为可学习参数;
步骤S5、根据所述用户最终特征向量计算用户购买各种产品的概率,根据用户购买产品的概率对用户进行产品推荐。
2.根据权利要求1所述的一种融合关键词生成的推荐算法,其特征在于,所述步骤S2中学习用户的特征表示向量sn具体步骤如下:
步骤S2.1、创建一个可学习的产品嵌入矩阵Ep,为每一个产品vi分配一个嵌入向量vi;
步骤S2.2、采用时间感知自注意力机制,学习用户行为中不同产品之间的相似度,并采用加权求和得到产品的表示向量;将点击2个产品之间的时间间隔rij=|ti-tj|作为指数获取时间间隔嵌入向量rij如下:
Base(rij,2k)=sin(rij/100002k/d)
Base(rij,2k+1)=cos(rij/100002k/d)
rij=fLinear(Base(rij))
其中fLinear(·)代表线性函数;
加权求和得到产品的表示向量bi如下:
其中bi表示产品i在用户短期行为中的表示向量,vj为根据所述步骤S2.1得到的产品vj的嵌入向量,rij表示时间间隔嵌入向量,αij为产品vi和vj之间的相似度,WV表示可学习的参数;
产品vi和vj之间的相似度αij计算如下:
其中WQ和WK为可学习的参数,vi和vj为根据所述步骤S2.1得到的产品vi和vj的嵌入向量,d表示产品嵌入向量的维度,使用归一化指数函数计算相似度;
步骤S2.3、使用最大池化层,获得用户的特征表示向量如下:
其中sn为用户的特征表示向量,snj为sn在维度j上的值。
3.根据权利要求1所述的一种融合关键词生成的推荐算法,其特征在于,步骤S3中获取标题关键词序列的上下文向量ct具体步骤如下:
步骤S3.1、由步骤S1所得标题关键词序列W=[w1,w2,…,wN],进过ID嵌入层后,通过双向长短期记忆网...
【专利技术属性】
技术研发人员:曹杰,陈蕾,申冬琴,蒋聚,王煜尧,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。